Re: Corrección Tardía de Deformidades de Órbita Usando Implantes Personalizados 3D

DOI :
Tweet about this on TwitterShare on FacebookEmail this to someoneShare on Google+

Marcelo Parra

Resumen

Estimado Sr. Editor:

Posterior a la lectura del artículo, “Late Correction of Orbital Deformities Using Customized 3D Implant” (Martínez et al., 2021), quisiera felicitar a los autores por su trabajo y por la búsqueda y desarrollo continuo de optimización del trabajo quirúrgico reconstructivo cráneo facial, trabajo sobre el cual quisiera realizar una contribución.

Como los autores señalan en su trabajo, la forma ha- bitual de confeccionar prótesis óseas personalizadas para reconstrucción ósea craneofacial posterior a un trauma, suele ser a través de la obtención de una imagen espejo del lado “sano”, realizada por un software tridimensional, donde lue- go, a través de impresión 3D, se obtiene un macromodelo y sobre éste, la confección de la prótesis de reemplazo pro- piamente tal. No obstante, la utilización de imágenes espejo posee ciertas desventajas, tales como; la presencia de un defecto que cruce la línea mediana facial y asimetrías facia- les, un aumento de pasos clínicos operador dependiente que pudiesen interferir en la exactitud de la prótesis diseñada, así como también aumento de recursos al requerir la impre- sión de un biomodelo.

En el último tiempo, se ha empezado a desarrollar en el ámbito de la biomedicina la utilización de softwares tridimensionales predictivos de inteligencia artificial, a base de “Deep Learning”, sub campo del “MachineLearning” (ML), el cual en palabras simples, programa softwares computacionales para “aprender” mediante algoritmos es- pecíficos, a través de fases de “entrenamiento” o aprendiza- je supervisado y algoritmos de aprendizaje no supervisado o automático. Un tipo de algoritmo de ML es el CNN (“Convolutional neural network”) o red neuronal convolucional, los cuales son algoritmos inspirados en el cerebro humano, que simulan la codificación, procesamien-

to y transmisión de información a través de actividades neuronales interconectadas resultantes de la excitación o inhibición de las neuronas. Estos algoritmos de redes neuronales son utilizados principalmente en el reconocimien- to y procesamiento de imágenes, específicamente para procesar datos de pixeles. Estos algoritmos pueden tomar una imagen, identificar los puntos de importancia y a su vez excluir sesgos y áreas confundentes, además de ser capaz de diferenciar uno de otro (Rabbi et al., 2022).

Estos algoritmos de redes neuronales han sido aplicados en variados ámbitos de la biomedicina. Específicamente en el manejo de trauma craneofacial, Wang et al. (2022) desarrollaron un algoritmo compuesto por dos redes neuronales convolucionales, el cual se entreno y validó, permitiendo detectar y clasificar diferentes tipos de frac- turas mandibulares a través de Tomografías Computarizadas. Por otro lado, Wu et al. (2022), generaron un modelo de capas neuronales con la capacidad de aprender la distribución espacial del segmento superior de los huesos craneales y utilizar los datos para predecir su geometría completa, para así reconstruir digitalmente los segmentos afectados por trauma y de esa forma generar la prótesis de reemplazo automáticamente e imprimirla de inmediato con la utilización de una impresora 3D, evitando pasos extra como la impresión del biomodelo previamente expuesto.

El desarrollo de “Machine Learning” en las ciencias biomédicas aun es incipiente. No obstante, sus aplicaciones poseen un enorme potencial, no solo en el ámbito quirúrgi- co, si no también por ejemplo en Medicina y Antropología Forense y Anatomía clínica entre otros (Thurzo et al., 2021) por lo cual considero interesante y relevante avanzar en este ámbito que aun es incipiente.

Como citar este artículo

Re: Late Correction of Orbital Deformities Using Customized 3D Implant. Int. J. Mophol., 40(1):287-288, 2022.